基于改进ABC优化RVM的模拟电路故障诊断

为提高模拟电路的故障诊断精度,提出了基于改进蜂群算法(IABC)优化相关向量机(RVM)的模拟电路故障诊断方法。该方法首先基于小波包能量提取故障特征集,然后将故障特征输入RVM进行故障诊断,同时利用IABC算法进行RVM参数的优化,避免参数选择的盲目性,提高故障诊断的精度。通过对Sallen-Key带通滤波器电路的单故障和复合故障诊断结果表明,该方法是有效的,相比与其他一些方法,可以获得更高的诊断精度,具有一定的优势。     

基于ABC-SVM算法的光伏阵列故障诊断

针对光伏阵列的四种典型故障(老化、遮阴、短路和开路),提出了一种基于人工蜂群算法(ABC)优化支持向量机(SVM)的故障诊断模型,用Matlab对光伏阵列进行仿真,提取故障状态下光伏阵列输出特征向量作为训练样本,通过人工蜂群算法对支持向量机的惩罚因子和核函数参数进行寻优,利用寻优后的参数建立模型进行训练与验证.仿真结果表明,本算法可有效判别光伏阵列的典型故障,且故障诊断精度较高.     

基于IABC和聚类优化RBF神经网络的电力信息网络安全态势评估

为提高电力信息网络安全态势评估的精度,提出一种基于改进人工蜂群（IABC）算法和密度峰值聚类（DPC）算法优化径向基函数（RBF）神经网络的电力信息网络安全态势评估方法。首先,引入改进密度峰值聚类（IDPC）算法对人工蜂群（ABC）算法的种群空间多样性进行聚类分析,重新定义个体更新机制以提高算法的全局搜索能力。然后,构建分类RBF神经网络安全态势评估模型,利用IDPC算法对输入指标数据进行聚类分析,采用IABC算法对分类拓扑结构和参数学习过程进行优化,得到输入评估指标与输出安全态势值的最佳映射关系。最后,通过实例仿真证明所提方法的有效性。     

基于VSRP与β-GWO-SVM的变压器故障辨识方法

针对变压器故障诊断准确率低的问题,提出一种基于VSRP与β-GWO-SVM的变压器故障诊断方法.首先,采用非常稀疏随机投影(very sparse random projection,VSRP)对原始数据进行维数约减,消除变量信息之间的冗余特征;其次,用β-混沌序列优化的灰狼算法(β-chaotic map enabled grey wolf optimizer,β-GWO)动态寻优支持向量机(support vector machine,SVM)的核参数与惩罚因子,获取VSRP与β-GWO-SVM相结合的综合故障诊断模型;最后,将实际变压器故障数据输入诊断模型,并与传统灰狼优化支持向量机模型(GWO-SVM)、粒子群优化支持向量机模型(particle swarm optimization-SVM,PSO-SVM)进行对比验证,诊断精度分别为91.87％、82.13％、75.10％,结果表明该文所提方法能够有效地提升变压器故障诊断性能.     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

基于改进SVM算法的高压断路器故障诊断北大核心CSCD

为了能更快速、准确的对高压断路器进行状态分析与故障诊断,文中提出了基于APSO-PCA-SVM算法的高压断路器故障诊断模型。首先提取分合闸电流信号中峰谷电流值、关键时刻等7维特征及动触头位移信号中的3维特征;随后利用PCA(主成分分析)对10维特征进行数据降维并确定最终特征集;最后采用APSO(自适应粒子群)算法进行SVM(支持向量机)核参数寻优,将最终特征集作为模型输入,建立了APSOPCA-SVM故障诊断模型,对高压断路器进行故障分类诊断。实例分析结果表明,该方法能够最大程度去除冗余信息,简化了诊断模型的同时提高了诊断精度和效率,在故障样本较少时采用有限特征量即可较为理想的实现对高压断路器此类小样本设备的高效故障诊断。     

基于IAFSA-SVM的岸电箱断路器故障诊断

断路器的故障诊断对岸电系统的稳定运行有重要意义。针对人工鱼群算法和其他智能算法在优化支持向量机参数时,存在易陷入局部最优、泛化能力差等问题,通过自适应调整步长和引入全局随机行为,提出基于改进人工鱼群算法优化支持向量机参数的故障诊断模型。将断路器合闸线圈电流信号中的时间和电流信号作为特征量,采用改进人工鱼群算法对支持向量机的参数寻优,以提升支持向量机的故障分类性能。仿真结果显示,该算法在样本数量小的情况下仍具有良好的分类性能,能够准确对断路器进行故障分类。     

结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

基于ANOVA和BO-SVM的变压器故障诊断方法

为了提高变压器故障诊断模型的诊断精度,提出了一种基于方差分析(analysis of variance, ANOVA)和黑猩猩算法优化支持向量机(bonobo optimizer-support vector machine, BO-SVM)的变压器故障诊断方法。首先,采用方差分析对模型输入量,即变压器油中溶解气体特征进行筛选降维。其次,用黑猩猩算法对影响支持向量机诊断性能的2个参数(核参数与惩罚因子)进行寻优。最后,利用该文所提方法对变压器进行故障诊断,实例仿真结果表明：与IEC、Rogers法相比,采用ANOVA对模型输入量进行筛选降维能更好地提升模型性能;BO算法优化后的支持向量机对比网格搜索算法优化后的支持向量机,在训练速度与诊断精度两方面都有所提升;与粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)和遗传算法优化支持向量机(genetic algorithm-support vector machine, GA-SVM)相比,所提方法收敛更快,且故障诊断精度更高、更稳定,BO-SVM、...     

人工蜂群算法在飞轮充电控制系统中的应用研究

飞轮储能系统中飞轮电机非线性、变参数等特性的存在,导致其充电控制系统转速环PID控制器的参数整定存在一定的困难。将人工蜂群算法应用于飞轮充电控制系统中对PID参数进行优化。提出了基于人工蜂群算法优化PID参数的具体流程,分别采用人工蜂群算法、遗传算法和蚁群算法优化飞轮充电控制系统PID控制器,并通过仿真进行性能对比分析,结果表明基于人工蜂群算法整定的PID控制器的阶跃响应具有最短的上升时间和最少的迭代次数,效果最好,验证了人工蜂群算法优化飞轮充电的优越性。     

基于蜂群算法的矩阵变换器ADRC参数优化

矩阵变换器由于其电力直接变换特性使得输出侧性能极易受扰动影响。针对间接空间矢量调制的矩阵变换器加入了一种与对象模型无关的自抗扰控制器对其进行闭环控制。由于自抗扰控制器在实际应用中参数多、调参困难等问题,影响自抗扰控制器在矩阵变换器系统中的使用。为此,在矩阵变换器闭环系统中对自抗扰控制器参数运用人工蜂群算法进行寻优调整。该算法在每次寻找适应度函数最优值时都进行全局和局部搜索,避免局部最优,且收敛速度快,相对人工整定参数大大提高了效率和准确度。实验结果表明:采用人工蜂群算法进行参数寻优,不仅可以保证矩阵变换器输出侧电压质量,而且提高了自抗扰控制器的参数整定效率,保证自抗扰控制器运用到矩阵变换器闭环控制中。     

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。     

基于改进阈值函数小波的微电网检测信号去噪

应用传统阈值函数小波对实测的微电网信号去噪时,存在重构信号失真、波形曲线偏厚等问题.在分析某种改进阈值函数基础上,提出一种新的阈值函数表达式.为提高阈值函数适用性,利用Bayes shrink方法计算分解层门限阈值,利用人工蜂群算法对设计的阈值函数进行参数选定.使用实测含噪信号验证各阈值函数的小波去噪效果,可知新阈值函数及其去噪流程能提升信噪比、减小均方误差,达到抑制检测信号噪声、显现信号波形特征目的 .     

多源信息辅助分区的主动配电网故障区段定位

在分布式电源快速发展的背景下,实现主动配电网的快速、准确故障定位面临普适性和容错性等挑战。首先结合主动配电网故障发生位置与过流报警信息之间的关系,分析了现有故障区段定位方法的适用性问题,基于改进的开关函数与适应度函数构建了故障区段定位的数学模型。然后将用电信息采集系统作为故障定位的第二信息源,提出了多源信息故障辅助分区方法,进而利用离散智能优化算法进行求解。最后,采用多种故障及信息畸变场景进行算例仿真,并对比分析了是否利用多源信息及是否采用离散寻优算法等不同定位方法的测试结果,验证了所提方法在主动配电网故障区段定位问题中的适用性、准确性和高效性。     

考虑强非线性和波速变化特性的特高压直流输电线路故障测距方法

特高压直流输电系统具有强非线性。采用小波变换方法的传统直流输电线路行波测距原理在实际工程中存在适应性问题。现阶段行波测距技术存在行波到达时刻与行波波速难以有机统一的问题。针对此问题,提出一种考虑强非线性系统和波速变化特性的特高压直流输电直流线路故障测距方法。从测距方法的适应性角度出发,提出非常适合暂态信息处理的改进的希尔伯特-黄算法,利用该算法可准确标定故障初始行波波头。从测距精度角度出发,分析故障行波波速变化特性,发现线路参数的频变特性和行波波头的衰减造成行波波速与故障距离呈非线性关系。据此提出神经网络算法,利用该算法将不必计算行波波速便能实现故障测距。大量仿真结果表明,该测距方法在不同故障距离和不同过渡电阻下的测距精度较高,鲁棒性较好。     

采用实测数据和主成分分析的直流输电线路故障识别方法

由平波电抗器和直流滤波器构成的直流输电线路两端实体电气边界具有高频阻塞作用,使得线路外部故障下,其故障电压起始变化平缓、幅值小;在线路内部故障下,其故障电压起始变化陡峭、幅值大、长时窗时域波形有振荡。利用主成分分析(PCA)方法提取线路内部、外部故障下的极线电压曲线簇样本数据蕴含的此种时域特征信息,并将其投影到主元空间,形成由cPC1和cPC2坐标构成的PCA空间(元件),其线路内、外部故障呈现为具有显著区别的两个不同聚类点簇团,借此可实现直流线路内部故障和外部故障的表征和甄别。故障发生后,利用故障数据于PCA故障识别元件的投影点与PCA识别元件本身多个聚类中心之间的欧氏距离来自适应地判别线路内、外部故障。经大量实测数据试验表明,该方法改善现行以du/dt为核心的直流线路行波保护的性能,若将直流系统历史故障数据复用来增加PCA的聚类点簇,则可继续完善PCA故障识别元件。     

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV...